Mistral Medium 3.1 ist eine multimodale Ausgabe von Mistral AI für Text- und Bildverständnis. Der Hersteller beschreibt diese Revision als Verbesserung von Ton und Leistung innerhalb der Medium-3-Linie. Sie verarbeitet Text und Bilder und erzeugt Text: eine Erklärung, Dokumentantwort, einen strukturierten Datensatz oder vorgeschlagenen Funktionsaufruf. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2508.
Kontext und konkrete Ausgabe
Die Modellseite dokumentiert ein Kontextfenster von 128k. Nutze es, um zusammengehörige Quellpassagen, Bildbelege, Dialog und Nutzeraufgabe gemeinsam zu bewahren. Benenne die Dokumentrollen und die zu beantwortende Frage, bevor du eine große Sammlung bereitstellst. Ein langer Kontext kann einen gezielten Vergleich unterstützen, während das endgültige Artefakt eine kurze Tabelle oder ein überarbeiteter Abschnitt bleibt.
Medium 3.1 behält seine eigene Spezifikation. Der Kontext von 256k, die dichte Architektur mit 128 Milliarden Parametern und die konfigurierbaren hybriden Reasoning-Modi von Medium 3.5 sollten diesem Eintrag nicht zugeschrieben werden. Die Seite zu 3.1 gibt weder eine Parameterzahl noch eine separate maximale Antwortlänge an, die bedenkenlos aus dem späteren Modell übernommen werden könnte.
Strukturierte Ausgaben und Funktionen
Der Hersteller nennt strukturierte Ausgaben, Funktionsaufrufe und vorhergesagte Ausgaben als Funktionen dieser Ausgabe. Definiere für eine strukturierte Extraktionsaufgabe die Pflichtfelder, erwarteten Typen und den Umgang mit Informationen, die in der Quelle fehlen. Ein Datensatz kann die Dokumentkennung, die extrahierte Aussage, ihre Quellstelle und die verbleibende Frage enthalten. Fordere nur den Datensatz an, wenn ein Programm ihn einlesen wird, oder halte eine Prosaerklärung getrennt, wenn jemand die Interpretation prüfen muss.
Mistrals gemeinsame Dokumentation zu strukturierten Ausgaben unterscheidet den JSON-Modus von einem benutzerdefinierten Schema. Der JSON-Modus verlangt eine ausdrückliche Anweisung zum gewünschten JSON-Format, während der benutzerdefinierte Weg eine konkretere Struktur festlegt. Dies ist die Formatierung des Textergebnisses und keine neue Inhaltsmodalität oder externe Handlung.
Für Funktionen definiert die Anwendung die verfügbare Operation und Argumente, das Modell wählt einen passenden Aufruf und bereitet Werte vor, und die Anwendung führt ihn aus. Sein Ergebnis liefert anschließend Informationen für die nächste Antwort. Ein Dokumentassistent kann eine Abfrage nutzen, um fehlende Referenzdaten zu erhalten, aber nur, wenn die umgebende Anwendung diese Abfrage bereitstellt und ihr tatsächliches Ergebnis zurückgibt. Halte den vorgeschlagenen Aufruf und die zurückgegebenen Daten einander zugeordnet.
Vorhergesagte Änderungen und Antwortpräfixe
Vorhergesagte Ausgaben sind nützlich, wenn der größte Teil des gewünschten Ergebnisses bereits bekannt ist, etwa bei einem Dokument oder einer Codedatei mit begrenztem Änderungsbedarf. Stelle den vorhandenen Inhalt bereit und beschreibe die Änderung präzise, einschließlich dessen, was unverändert bleiben muss. Eine Anfrage kann die Terminologie eines Abschnitts aktualisieren oder ein Implementierungsdetail ersetzen und dabei das übrige Dokument bewahren. Die Vorhersage enthält erwarteten Ausgabeinhalt und keine bereits auf eine Datei angewendete Änderung.
Die Modellseite nennt außerdem die Fortsetzung von Antwortpräfixen. In der Chatdokumentation des Herstellers liefert ein Präfix einen bekannten Anfang der Assistentenantwort, nach dem die Generierung fortgesetzt wird. Ein bekannter Anfang und ein vorhergesagter Hauptinhalt lösen unterschiedliche Vorbereitungsprobleme. Stapelverarbeitung und Agenten-/Dialogschnittstellen sind ebenfalls Ablauffunktionen und keine separaten Bild-, Audio- oder Reasoning-Ausgaben von Medium 3.1.
Fragen zu Dokumenten und Bildern
Der genannte Dokument-QnA-Ablauf verbindet mittels OCR vorbereiteten Text, Struktur und Formatierung mit der Sprachmodellanalyse. Frage nach der konkreten Bedingung, Passage oder Beziehung, die die Aufgabe benötigt. Ein Vergleich kann die Quelldokumente benennen und gemeinsame Aussagen, Konflikte und ungeklärte Details anfordern, mit der Quellstelle neben jedem Befund.
Die Anleitung des Herstellers zu visuellen Fähigkeiten umfasst Medium 3.1 ausdrücklich. Eine direkte visuelle Frage kann ein lesbares Diagramm, Dokumentbild oder einen Screenshot bereitstellen und fragen, welche sichtbaren Belege eine Schlussfolgerung stützen. Bewahre Achsen, Einheiten, Beschriftungen und den Kontext um ein zugeschnittenes Feld. Benenne bei mehreren Bildern deren Reihenfolge und Rolle, statt das Modell erschließen zu lassen, welches Original, Überarbeitung oder Referenz ist.
Kombiniere beispielsweise eine schriftliche Prozessanforderung mit einem Screenshot und fordere eine Tabelle mit sichtbaren Übereinstimmungen, Abweichungen und Fragen an, die mehr Informationen benötigen. Eine andere Aufgabe kann zwei Dokumentversionen bereitstellen und eine überarbeitete Passage verlangen, die ihre gemeinsamen Bedingungen bewahrt und dabei einen benannten Widerspruch auflöst. Dies sind vorgeschlagene Anwendungen der dokumentierten visuellen, Dokument- und Bearbeitungsfähigkeiten mit vorab definiertem erforderlichem Ergebnis.
Das endgültige Artefakt vorbereiten
Gib dem Assistenten eine klare Rolle, das zu verwendende Quellenmaterial und die Antwortform vor. Halte dauerhafte Antwortregeln vom untersuchten Dokument getrennt und nenne Zielsprache und Terminologie. Eine nützliche Antwort kann einen extrahierten Fakt, seine Quelle und eine Interpretation trennen und ist damit leichter zu prüfen als eine einzige zusammengeführte Zusammenfassung.
Das dokumentierte Ergebnis bleibt Text. Externe Werkzeuge, Dateiänderungen und weitere Dokumentverarbeitung gehören zur Anwendung, die mit dem Dialog verbunden ist. Bewahre die benannte Ausgabe Medium 3.1 und ihren Kontext von 128k und fordere die Erklärung, den strukturierten Datensatz oder die gezielte Überarbeitung an, die der nächste Schritt tatsächlich benötigt.
", "aboutText": "Mistral Medium 3.1 ist eine multimodale Ausgabe von Mistral AI für Text- und Bildverständnis. Der Hersteller beschreibt diese Revision als Verbesserung von Ton und Leistung innerhalb der Medium-3-Linie. Sie verarbeitet Text und Bilder und erzeugt Text: eine Erklärung, Dokumentantwort, einen strukturierten Datensatz oder vorgeschlagenen Funktionsaufruf. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2508.\n\nKontext und konkrete Ausgabe\n\nDie Modellseite dokumentiert ein Kontextfenster von 128k. Nutze es, um zusammengehörige Quellpassagen, Bildbelege, Dialog und Nutzeraufgabe gemeinsam zu bewahren. Benenne die Dokumentrollen und die zu beantwortende Frage, bevor du eine große Sammlung bereitstellst. Ein langer Kontext kann einen gezielten Vergleich unterstützen, während das endgültige Artefakt eine kurze Tabelle oder ein überarbeiteter Abschnitt bleibt.\n\nMedium 3.1 behält seine eigene Spezifikation. Der Kontext von 256k, die dichte Architektur mit 128 Milliarden Parametern und die konfigurierbaren hybriden Reasoning-Modi von Medium 3.5 sollten diesem Eintrag nicht zugeschrieben werden. Die Seite zu 3.1 gibt weder eine Parameterzahl noch eine separate maximale Antwortlänge an, die bedenkenlos aus dem späteren Modell übernommen werden könnte.\n\nStrukturierte Ausgaben und Funktionen\n\nDer Hersteller nennt strukturierte Ausgaben, Funktionsaufrufe und vorhergesagte Ausgaben als Funktionen dieser Ausgabe. Definiere für eine strukturierte Extraktionsaufgabe die Pflichtfelder, erwarteten Typen und den Umgang mit Informationen, die in der Quelle fehlen. Ein Datensatz kann die Dokumentkennung, die extrahierte Aussage, ihre Quellstelle und die verbleibende Frage enthalten. Fordere nur den Datensatz an, wenn ein Programm ihn einlesen wird, oder halte eine Prosaerklärung getrennt, wenn jemand die Interpretation prüfen muss.\n\nMistrals gemeinsame Dokumentation zu strukturierten Ausgaben unterscheidet den JSON-Modus von einem benutzerdefinierten Schema. Der JSON-Modus verlangt eine ausdrückliche Anweisung zum gewünschten JSON-Format, während der benutzerdefinierte Weg eine konkretere Struktur festlegt. Dies ist die Formatierung des Textergebnisses und keine neue Inhaltsmodalität oder externe Handlung.\n\nFür Funktionen definiert die Anwendung die verfügbare Operation und Argumente, das Modell wählt einen passenden Aufruf und bereitet Werte vor, und die Anwendung führt ihn aus. Sein Ergebnis liefert anschließend Informationen für die nächste Antwort. Ein Dokumentassistent kann eine Abfrage nutzen, um fehlende Referenzdaten zu erhalten, aber nur, wenn die umgebende Anwendung diese Abfrage bereitstellt und ihr tatsächliches Ergebnis zurückgibt. Halte den vorgeschlagenen Aufruf und die zurückgegebenen Daten einander zugeordnet.\n\nVorhergesagte Änderungen und Antwortpräfixe\n\nVorhergesagte Ausgaben sind nützlich, wenn der größte Teil des gewünschten Ergebnisses bereits bekannt ist, etwa bei einem Dokument oder einer Codedatei mit begrenztem Änderungsbedarf. Stelle den vorhandenen Inhalt bereit und beschreibe die Änderung präzise, einschließlich dessen, was unverändert bleiben muss. Eine Anfrage kann die Terminologie eines Abschnitts aktualisieren oder ein Implementierungsdetail ersetzen und dabei das übrige Dokument bewahren. Die Vorhersage enthält erwarteten Ausgabeinhalt und keine bereits auf eine Datei angewendete Änderung.\n\nDie Modellseite nennt außerdem die Fortsetzung von Antwortpräfixen. In der Chatdokumentation des Herstellers liefert ein Präfix einen bekannten Anfang der Assistentenantwort, nach dem die Generierung fortgesetzt wird. Ein bekannter Anfang und ein vorhergesagter Hauptinhalt lösen unterschiedliche Vorbereitungsprobleme. Stapelverarbeitung und Agenten-/Dialogschnittstellen sind ebenfalls Ablauffunktionen und keine separaten Bild-, Audio- oder Reasoning-Ausgaben von Medium 3.1.\n\nFragen zu Dokumenten und Bildern\n\nDer genannte Dokument-QnA-Ablauf verbindet mittels OCR vorbereiteten Text, Struktur und Formatierung mit der Sprachmodellanalyse. Frage nach der konkreten Bedingung, Passage oder Beziehung, die die Aufgabe benötigt. Ein Vergleich kann die Quelldokumente benennen und gemeinsame Aussagen, Konflikte und ungeklärte Details anfordern, mit der Quellstelle neben jedem Befund.\n\nDie Anleitung des Herstellers zu visuellen Fähigkeiten umfasst Medium 3.1 ausdrücklich. Eine direkte visuelle Frage kann ein lesbares Diagramm, Dokumentbild oder einen Screenshot bereitstellen und fragen, welche sichtbaren Belege eine Schlussfolgerung stützen. Bewahre Achsen, Einheiten, Beschriftungen und den Kontext um ein zugeschnittenes Feld. Benenne bei mehreren Bildern deren Reihenfolge und Rolle, statt das Modell erschließen zu lassen, welches Original, Überarbeitung oder Referenz ist.\n\nKombiniere beispielsweise eine schriftliche Prozessanforderung mit einem Screenshot und fordere eine Tabelle mit sichtbaren Übereinstimmungen, Abweichungen und Fragen an, die mehr Informationen benötigen. Eine andere Aufgabe kann zwei Dokumentversionen bereitstellen und eine überarbeitete Passage verlangen, die ihre gemeinsamen Bedingungen bewahrt und dabei einen benannten Widerspruch auflöst. Dies sind vorgeschlagene Anwendungen der dokumentierten visuellen, Dokument- und Bearbeitungsfähigkeiten mit vorab definiertem erforderlichem Ergebnis.\n\nDas endgültige Artefakt vorbereiten\n\nGib dem Assistenten eine klare Rolle, das zu verwendende Quellenmaterial und die Antwortform vor. Halte dauerhafte Antwortregeln vom untersuchten Dokument getrennt und nenne Zielsprache und Terminologie. Eine nützliche Antwort kann einen extrahierten Fakt, seine Quelle und eine Interpretation trennen und ist damit leichter zu prüfen als eine einzige zusammengeführte Zusammenfassung.\n\nDas dokumentierte Ergebnis bleibt Text. Externe Werkzeuge, Dateiänderungen und weitere Dokumentverarbeitung gehören zur Anwendung, die mit dem Dialog verbunden ist. Bewahre die benannte Ausgabe Medium 3.1 und ihren Kontext von 128k und fordere die Erklärung, den strukturierten Datensatz oder die gezielte Überarbeitung an, die der nächste Schritt tatsächlich benötigt.", "editorialOverlay": { "copy_fields": { "practical_html": "Technisches Beispiel auf Englisch
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.mistralai/mistral-medium-3.1Mistral Medium 3.1 ist ein Text- und Bildmodell für Dialogantworten, Fragen zu Dokumenten und strukturierte Extraktion. Sein vom Hersteller angegebener Kontext von 128k und die aufgeführten Funktionen für Funktionsaufrufe, vorhergesagte Ausgaben und Präfixe unterstützen quellengestützte Erklärungen und gezielte Bearbeitungsabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium 3.1 ist eine multimodale Ausgabe von Mistral AI für Text- und Bildverständnis. Der Hersteller beschreibt diese Revision als Verbesserung von Ton und Leistung innerhalb der Medium-3-Linie. Sie verarbeitet Text und Bilder und erzeugt Text: eine Erklärung, Dokumentantwort, einen strukturierten Datensatz oder vorgeschlagenen Funktionsaufruf. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2508.
Kontext und konkrete Ausgabe
Die Modellseite dokumentiert ein Kontextfenster von 128k. Nutze es, um zusammengehörige Quellpassagen, Bildbelege, Dialog und Nutzeraufgabe gemeinsam zu bewahren. Benenne die Dokumentrollen und die zu beantwortende Frage, bevor du eine große Sammlung bereitstellst. Ein langer Kontext kann einen gezielten Vergleich unterstützen, während das endgültige Artefakt eine kurze Tabelle oder ein überarbeiteter Abschnitt bleibt.
Medium 3.1 behält seine eigene Spezifikation. Der Kontext von 256k, die dichte Architektur mit 128 Milliarden Parametern und die konfigurierbaren hybriden Reasoning-Modi von Medium 3.5 sollten diesem Eintrag nicht zugeschrieben werden. Die Seite zu 3.1 gibt weder eine Parameterzahl noch eine separate maximale Antwortlänge an, die bedenkenlos aus dem späteren Modell übernommen werden könnte.
Strukturierte Ausgaben und Funktionen
Der Hersteller nennt strukturierte Ausgaben, Funktionsaufrufe und vorhergesagte Ausgaben als Funktionen dieser Ausgabe. Definiere für eine strukturierte Extraktionsaufgabe die Pflichtfelder, erwarteten Typen und den Umgang mit Informationen, die in der Quelle fehlen. Ein Datensatz kann die Dokumentkennung, die extrahierte Aussage, ihre Quellstelle und die verbleibende Frage enthalten. Fordere nur den Datensatz an, wenn ein Programm ihn einlesen wird, oder halte eine Prosaerklärung getrennt, wenn jemand die Interpretation prüfen muss.
Mistrals gemeinsame Dokumentation zu strukturierten Ausgaben unterscheidet den JSON-Modus von einem benutzerdefinierten Schema. Der JSON-Modus verlangt eine ausdrückliche Anweisung zum gewünschten JSON-Format, während der benutzerdefinierte Weg eine konkretere Struktur festlegt. Dies ist die Formatierung des Textergebnisses und keine neue Inhaltsmodalität oder externe Handlung.
Für Funktionen definiert die Anwendung die verfügbare Operation und Argumente, das Modell wählt einen passenden Aufruf und bereitet Werte vor, und die Anwendung führt ihn aus. Sein Ergebnis liefert anschließend Informationen für die nächste Antwort. Ein Dokumentassistent kann eine Abfrage nutzen, um fehlende Referenzdaten zu erhalten, aber nur, wenn die umgebende Anwendung diese Abfrage bereitstellt und ihr tatsächliches Ergebnis zurückgibt. Halte den vorgeschlagenen Aufruf und die zurückgegebenen Daten einander zugeordnet.
Vorhergesagte Änderungen und Antwortpräfixe
Vorhergesagte Ausgaben sind nützlich, wenn der größte Teil des gewünschten Ergebnisses bereits bekannt ist, etwa bei einem Dokument oder einer Codedatei mit begrenztem Änderungsbedarf. Stelle den vorhandenen Inhalt bereit und beschreibe die Änderung präzise, einschließlich dessen, was unverändert bleiben muss. Eine Anfrage kann die Terminologie eines Abschnitts aktualisieren oder ein Implementierungsdetail ersetzen und dabei das übrige Dokument bewahren. Die Vorhersage enthält erwarteten Ausgabeinhalt und keine bereits auf eine Datei angewendete Änderung.
Die Modellseite nennt außerdem die Fortsetzung von Antwortpräfixen. In der Chatdokumentation des Herstellers liefert ein Präfix einen bekannten Anfang der Assistentenantwort, nach dem die Generierung fortgesetzt wird. Ein bekannter Anfang und ein vorhergesagter Hauptinhalt lösen unterschiedliche Vorbereitungsprobleme. Stapelverarbeitung und Agenten-/Dialogschnittstellen sind ebenfalls Ablauffunktionen und keine separaten Bild-, Audio- oder Reasoning-Ausgaben von Medium 3.1.
Fragen zu Dokumenten und Bildern
Der genannte Dokument-QnA-Ablauf verbindet mittels OCR vorbereiteten Text, Struktur und Formatierung mit der Sprachmodellanalyse. Frage nach der konkreten Bedingung, Passage oder Beziehung, die die Aufgabe benötigt. Ein Vergleich kann die Quelldokumente benennen und gemeinsame Aussagen, Konflikte und ungeklärte Details anfordern, mit der Quellstelle neben jedem Befund.
Die Anleitung des Herstellers zu visuellen Fähigkeiten umfasst Medium 3.1 ausdrücklich. Eine direkte visuelle Frage kann ein lesbares Diagramm, Dokumentbild oder einen Screenshot bereitstellen und fragen, welche sichtbaren Belege eine Schlussfolgerung stützen. Bewahre Achsen, Einheiten, Beschriftungen und den Kontext um ein zugeschnittenes Feld. Benenne bei mehreren Bildern deren Reihenfolge und Rolle, statt das Modell erschließen zu lassen, welches Original, Überarbeitung oder Referenz ist.
Kombiniere beispielsweise eine schriftliche Prozessanforderung mit einem Screenshot und fordere eine Tabelle mit sichtbaren Übereinstimmungen, Abweichungen und Fragen an, die mehr Informationen benötigen. Eine andere Aufgabe kann zwei Dokumentversionen bereitstellen und eine überarbeitete Passage verlangen, die ihre gemeinsamen Bedingungen bewahrt und dabei einen benannten Widerspruch auflöst. Dies sind vorgeschlagene Anwendungen der dokumentierten visuellen, Dokument- und Bearbeitungsfähigkeiten mit vorab definiertem erforderlichem Ergebnis.
Das endgültige Artefakt vorbereiten
Gib dem Assistenten eine klare Rolle, das zu verwendende Quellenmaterial und die Antwortform vor. Halte dauerhafte Antwortregeln vom untersuchten Dokument getrennt und nenne Zielsprache und Terminologie. Eine nützliche Antwort kann einen extrahierten Fakt, seine Quelle und eine Interpretation trennen und ist damit leichter zu prüfen als eine einzige zusammengeführte Zusammenfassung.
Das dokumentierte Ergebnis bleibt Text. Externe Werkzeuge, Dateiänderungen und weitere Dokumentverarbeitung gehören zur Anwendung, die mit dem Dialog verbunden ist. Bewahre die benannte Ausgabe Medium 3.1 und ihren Kontext von 128k und fordere die Erklärung, den strukturierten Datensatz oder die gezielte Überarbeitung an, die der nächste Schritt tatsächlich benötigt.
POST /v1/chat/completionstexttext| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits Mindestanzahl Elemente: 1 | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits Beispiele: system, user, assistant, tool, function Bedingungen: Diese Rollen sind in den Kompatibilitätstypen des Quellcodes ausdrücklich dargestellt; der genaue Rollenumfang bleibt modellspezifisch. Modellabhängig | Standard— |
Feldmessages[].content | Typstring|content_part[]|null | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_calls | Typtool_call[] | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].tool_call_id | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: role=tool; die tatsächlich zurückgegebene ID verwenden | Standard— |
Feldmessages[].name | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldmessages[].reasoning_content | Typstring | AnforderungOptional | Werte und Limits Gilt, wenn: Tatsächlich zurückgegebene Reasoning-Daten erneut übermitteln, sofern dieses Modell sie verwendet | Standard— |
Feldmessages[].reasoning_details | Typobject|array | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmax_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldmax_completion_tokens | Typinteger | AnforderungOptional | Werte und Limits Minimum: 1 Modellabhängig | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Feldstream_options.include_usage | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtemperature | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtop_p | Typnumber | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldstop | Typstring|string[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools | Typfunction_tool[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldtools[].type | Typstring | AnforderungOptional | Werte und Limits function Modellabhängig | Standard— |
Feldtools[].function.name | Typstring | AnforderungErforderlich | Werte und Limits Gilt, wenn: Funktionswerkzeug bereitgestellt | Standard— |
Feldtools[].function.description | Typstring | AnforderungOptional | Werte und Limits | Standard— |
Feldtools[].function.parameters | TypJSON_schema | AnforderungOptional | Werte und Limits | Standard— |
Feldtool_choice | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldparallel_tool_calls | Typboolean | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldresponse_format | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning_effort | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldreasoning | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldservice_tier | Typstring | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldinstructions | Typstring | AnforderungOptional | Werte und Limits Kompatibilitätsfeld | Standard— |
Feldfunctions | Typfunction[] | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldfunction_call | Typstring|object | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldprompt_cache_options | Typobject | AnforderungOptional | Werte und Limits Modellabhängig | Standard— |
Feldmodalities | Typstring[] | AnforderungOptional | Werte und Limits text | Standard— |
Feldprovider | Typobject | AnforderungOptional | Werte und Limits Bedingungen: provider.options wird auf dieser Ultra-Textroute abgelehnt | Standard— |
Feldcache_control.ttl | Typstring | AnforderungOptional | Werte und Limits Bedingungen: 1h wird in den tatsächlichen Prompt-Cache-Feldern abgelehnt | Standard— |
Text · UTF8-Text
messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages |
Parametermaterial_types | Vertragtext |
Parametermessages | VertragNachrichtenarray mit role/content-Struktur |
Parameterfile_material | VertragTatsächliches UTF-8-Dokument als wörtlicher Text eingefügt; keine Datei-ID abgeleitet |
Parameteroptional_controls | Vertragstream, temperature, top_p, stop, max_tokens, max_completion_tokens, reasoning, response_format, tools, tool_choice |
Parametercontrol_scope | VertragModellspezifisch; benutzerseitige Funktionswerkzeuge unterscheiden sich von gehosteten Werkzeugen |
Parameteroutput_modalities | Vertragtext |
Parameterhosted_operations | Vertragfalse |
Parametermultimodal_input_binding | Vertragnull |
Lebenszyklus: synchronous_or_streamed
Die genaue Modell-ID zusammen mit messages senden.
Die Kontextlänge ist keine Ausgabeobergrenze.
Eine Textdatei kann wörtlichen Text liefern; Bild-, Audio- und Dateiobjekteingaben benötigen eine exakte Zuordnung.
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "mistralai/mistral-medium-3.1", "messages": [{"role": "user", "content": "Explain the difference between an observation and a hypothesis in three sentences."}]}')\n\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/chat/completions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\nr=json.loads(Path("result.json").read_text())\nfor x in r.get("choices",[]):\n if x.get("message",{}).get("content"): print(x["message"]["content"])\nPY_RESULT\nfrom openai import OpenAI\nimport os\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nresult=client.chat.completions.create(model='mistralai/mistral-medium-3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}])\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nsave_result(result.to_dict(mode="json"))\nfrom openai import OpenAI\nimport os\nfrom pathlib import Path\n\nif not os.environ.get("AILOOT_API_KEY", "").strip(): raise SystemExit("Set AILOOT_API_KEY before making a request")\nclient=OpenAI(base_url="https://api.ailoot.ai/v1",api_key=os.environ["AILOOT_API_KEY"],max_retries=0)\nimport base64, json\nfrom pathlib import Path\n\ndef save_result(data, stem="result"):\n # Keep every field, including usage, IDs, reasoning and tool requests.\n Path(stem + ".json").write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")\n print(json.dumps(data, ensure_ascii=False, indent=2))\n def save_blob(encoded, suffix, label):\n raw = base64.b64decode(encoded, altchars=b"-_", validate=True)\n ext = "png" if raw.startswith(b"\\x89PNG\\r\\n\\x1a\\n") else "jpg" if raw.startswith(b"\\xff\\xd8") else "webp" if raw[:4] == b"RIFF" and raw[8:12] == b"WEBP" else suffix\n file = Path(stem + "-" + label + "." + ext)\n file.write_bytes(raw)\n print("Saved", file)\n for index, block in enumerate(data.get("content") or []):\n print("Content", index, json.dumps(block, ensure_ascii=False))\n for choice in data.get("choices") or []:\n print("Choice", choice.get("index"), json.dumps(choice.get("message", choice.get("delta", {})), ensure_ascii=False))\n for index, item in enumerate(data.get("output") or []):\n print("Output", index, json.dumps(item, ensure_ascii=False))\n if item.get("type") == "image_generation_call" and item.get("result"):\n save_blob(item["result"], item.get("output_format") or "bin", "output-" + str(index))\n for ci, candidate in enumerate(data.get("candidates") or []):\n for pi, part in enumerate((candidate.get("content") or {}).get("parts") or []):\n print("Candidate/part", ci, pi, json.dumps(part, ensure_ascii=False))\n blob = part.get("inlineData") or part.get("inline_data")\n if blob and blob.get("data"):\n mime = blob.get("mimeType") or blob.get("mime_type")\n suffix = {"image/png":"png", "image/jpeg":"jpg", "image/webp":"webp", "audio/wav":"wav", "audio/mpeg":"mp3", "video/mp4":"mp4"}.get(mime, "bin")\n save_blob(blob["data"], suffix, "candidate-" + str(ci) + "-part-" + str(pi))\n\nwith client.chat.completions.stream(model='mistralai/mistral-medium-3.1',messages=[{"role":"user","content":"Explain observations and hypotheses in three sentences."}]) as stream:\n with Path("stream-events.jsonl").open("w",encoding="utf-8") as log:\n for event in stream:\n payload=event.to_dict(mode="json")\n log.write(json.dumps(payload,ensure_ascii=False)+"\\n"); log.flush()\n print(json.dumps(payload,ensure_ascii=False))\n final=stream.get_final_completion()\n save_result(final.to_dict(mode="json"),"stream-result")\njson oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Antwortvarianten mit ihren Inhalten, Werkzeugaufrufen und Reasoning-Daten beibehalten. In SSE die Deltas nach Varianten- und Werkzeugindex zusammensetzen; endgültigen Beendigungsgrund und Verbrauchsdaten beibehalten.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldchoices[].index | Typinteger |
Feldchoices[].message.content | Typstring|null |
Feldchoices[].message.tool_calls | Typtool_call[] |
Feldchoices[].message.reasoning_content | Typstring |
Feldchoices[].message.reasoning_details | Typobject|array |
Feldchoices[].finish_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-medium-3.1
Verwenden Sie die oben angezeigten Methodenpfade.
mistralai/mistral-medium-3.1Mistral Medium 3.1 ist ein Text- und Bildmodell für Dialogantworten, Fragen zu Dokumenten und strukturierte Extraktion. Sein vom Hersteller angegebener Kontext von 128k und die aufgeführten Funktionen für Funktionsaufrufe, vorhergesagte Ausgaben und Präfixe unterstützen quellengestützte Erklärungen und gezielte Bearbeitungsabläufe.
Diese Beschreibung erläutert die Fähigkeiten des Modells. Die über Ailoot verfügbaren Eingaben, Ausgaben und Optionen sind unten für die ausgewählte Methode aufgeführt.
Mistral Medium 3.1 ist eine multimodale Ausgabe von Mistral AI für Text- und Bildverständnis. Der Hersteller beschreibt diese Revision als Verbesserung von Ton und Leistung innerhalb der Medium-3-Linie. Sie verarbeitet Text und Bilder und erzeugt Text: eine Erklärung, Dokumentantwort, einen strukturierten Datensatz oder vorgeschlagenen Funktionsaufruf. Die feste Herstellerkennung dieser Ausgabe lautet mistral-medium-2508.
Kontext und konkrete Ausgabe
Die Modellseite dokumentiert ein Kontextfenster von 128k. Nutze es, um zusammengehörige Quellpassagen, Bildbelege, Dialog und Nutzeraufgabe gemeinsam zu bewahren. Benenne die Dokumentrollen und die zu beantwortende Frage, bevor du eine große Sammlung bereitstellst. Ein langer Kontext kann einen gezielten Vergleich unterstützen, während das endgültige Artefakt eine kurze Tabelle oder ein überarbeiteter Abschnitt bleibt.
Medium 3.1 behält seine eigene Spezifikation. Der Kontext von 256k, die dichte Architektur mit 128 Milliarden Parametern und die konfigurierbaren hybriden Reasoning-Modi von Medium 3.5 sollten diesem Eintrag nicht zugeschrieben werden. Die Seite zu 3.1 gibt weder eine Parameterzahl noch eine separate maximale Antwortlänge an, die bedenkenlos aus dem späteren Modell übernommen werden könnte.
Strukturierte Ausgaben und Funktionen
Der Hersteller nennt strukturierte Ausgaben, Funktionsaufrufe und vorhergesagte Ausgaben als Funktionen dieser Ausgabe. Definiere für eine strukturierte Extraktionsaufgabe die Pflichtfelder, erwarteten Typen und den Umgang mit Informationen, die in der Quelle fehlen. Ein Datensatz kann die Dokumentkennung, die extrahierte Aussage, ihre Quellstelle und die verbleibende Frage enthalten. Fordere nur den Datensatz an, wenn ein Programm ihn einlesen wird, oder halte eine Prosaerklärung getrennt, wenn jemand die Interpretation prüfen muss.
Mistrals gemeinsame Dokumentation zu strukturierten Ausgaben unterscheidet den JSON-Modus von einem benutzerdefinierten Schema. Der JSON-Modus verlangt eine ausdrückliche Anweisung zum gewünschten JSON-Format, während der benutzerdefinierte Weg eine konkretere Struktur festlegt. Dies ist die Formatierung des Textergebnisses und keine neue Inhaltsmodalität oder externe Handlung.
Für Funktionen definiert die Anwendung die verfügbare Operation und Argumente, das Modell wählt einen passenden Aufruf und bereitet Werte vor, und die Anwendung führt ihn aus. Sein Ergebnis liefert anschließend Informationen für die nächste Antwort. Ein Dokumentassistent kann eine Abfrage nutzen, um fehlende Referenzdaten zu erhalten, aber nur, wenn die umgebende Anwendung diese Abfrage bereitstellt und ihr tatsächliches Ergebnis zurückgibt. Halte den vorgeschlagenen Aufruf und die zurückgegebenen Daten einander zugeordnet.
Vorhergesagte Änderungen und Antwortpräfixe
Vorhergesagte Ausgaben sind nützlich, wenn der größte Teil des gewünschten Ergebnisses bereits bekannt ist, etwa bei einem Dokument oder einer Codedatei mit begrenztem Änderungsbedarf. Stelle den vorhandenen Inhalt bereit und beschreibe die Änderung präzise, einschließlich dessen, was unverändert bleiben muss. Eine Anfrage kann die Terminologie eines Abschnitts aktualisieren oder ein Implementierungsdetail ersetzen und dabei das übrige Dokument bewahren. Die Vorhersage enthält erwarteten Ausgabeinhalt und keine bereits auf eine Datei angewendete Änderung.
Die Modellseite nennt außerdem die Fortsetzung von Antwortpräfixen. In der Chatdokumentation des Herstellers liefert ein Präfix einen bekannten Anfang der Assistentenantwort, nach dem die Generierung fortgesetzt wird. Ein bekannter Anfang und ein vorhergesagter Hauptinhalt lösen unterschiedliche Vorbereitungsprobleme. Stapelverarbeitung und Agenten-/Dialogschnittstellen sind ebenfalls Ablauffunktionen und keine separaten Bild-, Audio- oder Reasoning-Ausgaben von Medium 3.1.
Fragen zu Dokumenten und Bildern
Der genannte Dokument-QnA-Ablauf verbindet mittels OCR vorbereiteten Text, Struktur und Formatierung mit der Sprachmodellanalyse. Frage nach der konkreten Bedingung, Passage oder Beziehung, die die Aufgabe benötigt. Ein Vergleich kann die Quelldokumente benennen und gemeinsame Aussagen, Konflikte und ungeklärte Details anfordern, mit der Quellstelle neben jedem Befund.
Die Anleitung des Herstellers zu visuellen Fähigkeiten umfasst Medium 3.1 ausdrücklich. Eine direkte visuelle Frage kann ein lesbares Diagramm, Dokumentbild oder einen Screenshot bereitstellen und fragen, welche sichtbaren Belege eine Schlussfolgerung stützen. Bewahre Achsen, Einheiten, Beschriftungen und den Kontext um ein zugeschnittenes Feld. Benenne bei mehreren Bildern deren Reihenfolge und Rolle, statt das Modell erschließen zu lassen, welches Original, Überarbeitung oder Referenz ist.
Kombiniere beispielsweise eine schriftliche Prozessanforderung mit einem Screenshot und fordere eine Tabelle mit sichtbaren Übereinstimmungen, Abweichungen und Fragen an, die mehr Informationen benötigen. Eine andere Aufgabe kann zwei Dokumentversionen bereitstellen und eine überarbeitete Passage verlangen, die ihre gemeinsamen Bedingungen bewahrt und dabei einen benannten Widerspruch auflöst. Dies sind vorgeschlagene Anwendungen der dokumentierten visuellen, Dokument- und Bearbeitungsfähigkeiten mit vorab definiertem erforderlichem Ergebnis.
Das endgültige Artefakt vorbereiten
Gib dem Assistenten eine klare Rolle, das zu verwendende Quellenmaterial und die Antwortform vor. Halte dauerhafte Antwortregeln vom untersuchten Dokument getrennt und nenne Zielsprache und Terminologie. Eine nützliche Antwort kann einen extrahierten Fakt, seine Quelle und eine Interpretation trennen und ist damit leichter zu prüfen als eine einzige zusammengeführte Zusammenfassung.
Das dokumentierte Ergebnis bleibt Text. Externe Werkzeuge, Dateiänderungen und weitere Dokumentverarbeitung gehören zur Anwendung, die mit dem Dialog verbunden ist. Bewahre die benannte Ausgabe Medium 3.1 und ihren Kontext von 128k und fordere die Erklärung, den strukturierten Datensatz oder die gezielte Überarbeitung an, die der nächste Schritt tatsächlich benötigt.
POST /v1/messagestextjson, sse| Feld | Typ | Anforderung | Werte und Limits | Standard |
|---|---|---|---|---|
Feldmodel | Typstring | AnforderungErforderlich | Werte und Limits mistralai/mistral-medium-3.1 | Standard— |
Feldmessages | Typmessage[] | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmessages[].role | Typstring | AnforderungErforderlich | Werte und Limits user, assistant | Standard— |
Feldmessages[].content | Typstring | AnforderungErforderlich | Werte und Limits | Standard— |
Feldmax_tokens | Typinteger | AnforderungErforderlich | Werte und Limits | Standard— |
Feldstream | Typboolean | AnforderungOptional | Werte und Limits | Standardfalse |
Text · UTF-8-Text
Zeichenfolge messages[].content
| Parameter | Vertrag |
|---|---|
Parametercontent_type | Vertragapplication/json |
Parameterrequired | Vertragmodel, messages, max_tokens |
Parameteroptional_controls | Vertragstream |
Parametermaterial_types | Vertragtext |
Parametertext_file_material | VertragDas tatsächliche UTF-8-Dokument lesen und seinen Text in die angegebene Zeichenfolge für Eingabe oder Nachrichteninhalt einfügen. |
Lebenszyklus: synchronous_or_streamed
Tarifangaben erweitern die Anfrageoptionen nicht. Unterstützte Parameter stehen bei der ausgewählten Methode.
Ordnen Sie jede Gebühr den angezeigten Bedingungen zu. Verwenden Sie für jede Gruppe alternativer Konfigurationen einen Tarif.
| Konfiguration | Tarifstaffel | Kontexttoken, mehr als | Kontexttoken, bis einschließlich | Gebühr |
|---|---|---|---|---|
| KonfigurationBasistarife für Token | TarifstaffelGrundtarif | Kontexttoken, mehr als— | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
| KonfigurationAnfragelängenstufe 1 | Tarifstaffel— | Kontexttoken, mehr als0 | Kontexttoken, bis einschließlichKeine Obergrenze | Gebühr Eingabe · Eingabetoken $0.0008 / 1K Token Ausgabe · Ausgabetoken $0.004 / 1K Token Eingabe · Cache-Lesen $0.00008 / 1K Token Eingabe · Cache-Schreiben — / 1K Token Eingabe · Cache-Schreiben, 1 Stunde — / 1K Token |
Ailoot reserviert vor einer Anfrage einen geschätzten Betrag. Nach dem Ergebnis rechnet Ailoot die endgültige Gebühr anhand des gemessenen Verbrauchs ab. Bei Streaming erfolgt die Abrechnung anhand des abschließenden Verbrauchsdatensatzes. So funktionieren Reservierung und Abrechnung →
{\n "model": "mistralai/mistral-medium-3.1",\n "max_tokens": 128,\n "messages": [\n {\n "role": "user",\n "content": "Summarize the incident report."\n }\n ],\n "stream": false\n}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 document}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nPath('request.json').write_text(json.dumps(payload, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/messages \\\n -H "x-api-key: $AILOOT_API_KEY" -H 'anthropic-version: 2023-06-01' -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o result.json\npython3 - <<'PY_RESULT'\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nPY_RESULT\nimport json, os\nfrom pathlib import Path\n\nsource_file = Path(os.environ['AILOOT_TEXT_FILE'])\nif not source_file.is_file():\n raise SystemExit('Set AILOOT_TEXT_FILE to your actual UTF-8 document')\ntext = source_file.read_text(encoding='utf-8')\nif not text.strip():\n raise SystemExit('Choose a document containing text')\npayload = {'model': 'mistralai/mistral-medium-3.1', 'max_tokens': 128, 'messages': [{'role': 'user', 'content': 'Summarize the incident report.'}]}\npayload['messages'][0]['content'] = 'Summarize this material and quote supporting source passages.\\n\\n' + text\nfrom urllib.request import Request, urlopen\nfrom urllib.error import HTTPError\n\napi_key = os.environ['AILOOT_API_KEY']\nif not api_key.strip():\n raise SystemExit('Set AILOOT_API_KEY before making a request')\nheaders = {'x-api-key': 'PLACEHOLDER_KEY', 'anthropic-version': '2023-06-01', 'Content-Type': 'application/json'}\nheaders['x-api-key'] = api_key\nrequest = Request('https://api.ailoot.ai/v1/messages', data=json.dumps(payload, ensure_ascii=False).encode('utf-8'), headers=headers, method='POST')\ntry:\n with urlopen(request, timeout=120) as response:\n raw = response.read()\n Path('response-headers.txt').write_text(str(response.headers), encoding='utf-8')\nexcept HTTPError as error:\n Path('result.json').write_bytes(error.read())\n Path('response-headers.txt').write_text(str(error.headers), encoding='utf-8')\n raise\nPath('result.json').write_bytes(raw)\nimport json\nfrom pathlib import Path\n\nresult = json.loads(Path('result.json').read_text(encoding='utf-8'))\nprint(json.dumps(result, ensure_ascii=False, indent=2))\nJSON oder SSE
Bewahren Sie jede vollständig zurückgegebene Antwort, Datei und jeden Inhaltsteil auf.
Alle Inhaltsblöcke, Thinking-Signaturen und tatsächlichen Werkzeugaufruf-IDs beibehalten. Alle SSE-Blockdeltas zusammensetzen; der erste Textblock ist nicht die vollständige Ausgabe.
Anfrage- und Antwort-IDs sowie Header beibehalten. Eine allgemeine URL zum Abrufen von Textaufträgen wird nicht angegeben.
| Feld | Typ |
|---|---|
Feldid | Typstring |
Feldmodel | Typstring |
Feldcontent[] | Typtext|thinking|tool_use|other content block |
Feldstop_reason | Typstring|null |
Feldusage | Typobject |
| Antwort | Bedingung | Nächster Schritt |
|---|---|---|
Antwort400 · invalid_request_error | BedingungPflichtfelder, Darstellung des Eingabematerials oder Parameterwert ungültig | Nächster SchrittDie angegebenen Felder vor einer neuen Erstellungsanfrage korrigieren. |
Ailoot Ultra mistralai/mistral-medium-3.1
Verwenden Sie die oben angezeigten Methodenpfade.
Technisches Beispiel auf Englisch
Apply a narrow terminology edit\n\nRevise only the terminology in this paragraph: 'A subscriber can pause the plan. The subscriber keeps access until the current period ends. Support can help the subscriber resume.' Replace 'subscriber' with 'member', adapting capitalization, and keep every condition and sentence order. Return the revised paragraph alone, without claiming a file was modified.The complete revised paragraph with the requested terminology change only.The access-until-period-end condition and pause/resume distinction must remain intact.